Il s'agit de l'application Linux PyTorch-BigGraph, dont la dernière version est téléchargeable sous torchbiggraph-1.0.0.tar.gz. Elle peut être exécutée en ligne sur l'hébergeur gratuit OnWorks pour postes de travail.
Téléchargez et exécutez en ligne cette application nommée PyTorch-BigGraph avec OnWorks gratuitement.
Suivez ces instructions pour exécuter cette application :
- 1. Téléchargé cette application sur votre PC.
- 2. Entrez dans notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous voulez.
- 3. Téléchargez cette application dans ce gestionnaire de fichiers.
- 4. Démarrez l'émulateur en ligne OnWorks Linux ou Windows en ligne ou l'émulateur en ligne MACOS à partir de ce site Web.
- 5. Depuis le système d'exploitation OnWorks Linux que vous venez de démarrer, accédez à notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous souhaitez.
- 6. Téléchargez l'application, installez-la et exécutez-la.
CAPTURES D'ÉCRAN
Ad
PyTorch-BigGraph
DESCRIPTION
PyTorch-BigGraph (PBG) est un système d'apprentissage d'intégrations graphiques sur des graphes massifs (des milliards de nœuds et d'arêtes), utilisant le partitionnement et l'entraînement distribué pour préserver la gestion de la mémoire et des calculs. Il partitionne les entités et répartit les arêtes de sorte que chaque passe d'apprentissage ne touche qu'une petite partie des paramètres, ce qui réduit considérablement la consommation maximale de RAM et permet une mise à l'échelle horizontale entre les machines. PBG prend en charge les graphes multi-relations (graphes de connaissances) avec des fonctions de score spécifiques aux relations, des stratégies d'échantillonnage négatif et des entités typées, ce qui le rend idéal pour la prédiction et la récupération de liens. Sa boucle d'apprentissage est conçue pour le débit : les E/S asynchrones, les tenseurs mappés en mémoire et les mises à jour sans verrou assurent l'alimentation des GPU et des CPU, même à très grande échelle. La boîte à outils comprend des métriques d'évaluation et des outils d'exportation permettant d'utiliser les intégrations apprises pour la recherche du plus proche voisin, la recommandation ou l'analyse en aval. En pratique, la conception de PBG permet aux praticiens d'entraîner des intégrations graphiques de haute qualité.
Comment ça marche
- Formation partitionnée pour les graphes à l'échelle du milliard
- Notation multi-relationnelle pour la prédiction des liens du graphe de connaissances
- Échantillonnage négatif efficace et découpage des bords
- Utilitaires d'exportation et d'évaluation pour les tâches ANN et en aval
- E/S asynchrones avec tenseurs mappés en mémoire
- Formation distribuée et multi-machines avec orchestration simple
Langage de programmation
Python
Catégories
Cette application est également disponible sur https://sourceforge.net/projects/pytorch-biggraph.mirror/. Elle est hébergée sur OnWorks afin de pouvoir être exécutée en ligne plus facilement depuis l'un de nos systèmes d'exploitation gratuits.
